一种微电网故障定位和诊断方法与流程

本发明涉及电力系统故障诊断，特别涉及一种微电网故障定位和诊断方法。

背景技术：

1、微电网是一种包含了分布式电源、储能装置、负载等设备的中低压网络，既可以在并网模式下运行，也可作为独立系统以孤岛模式运行。微电网对电力系统的安全稳定供电、提高绿色能源的渗透率有着重要意义。当外部电网发生故障时，微电网将从并网模式转变为孤岛模式运行。但即便在孤岛模式下，微电网本身也存在着各种不同类型的故障，包括电缆和传输线的短路故障，风机、光伏等分布式电源故障，整流器、逆变器等电力电子器件故障等。分布式电源故障的发生会对微电网造成风险隐患，若故障长期存在，将导致故障的扩大，影响微电网的安全。因此为了提高微电网运行的可靠性，需要实时监测微电网的运行状态，在分布式电源故障发生后能够快速准确地进行故障定位和类型辨识，以便及时清除故障，恢复微电网安全稳定运行。

2、目前，针对微电网故障定位和诊断的方法主要分为两类，一是直接提取特征量并采用基于阈值的故障诊断方法，但若阈值确定不当，将会带来误报或漏报故障信息的问题，且故障检测的准确率受系统运行方式的影响较大；二是先通过信号处理获得特征量，再采用机器学习算法实现微电网的故障诊断，该方法目前较为常用，能够取得良好的效果，但仍存在一定的局限性，例如样本特征需要人为分析、构造和提取，过程较为复杂，且带有一定主观性。

3、现有方法均无法实现对微电网分布式电源故障的智能化定位与诊断。

技术实现思路

1、本发明提供了一种微电网故障定位和诊断方法，其优点是可以在微电网中发生分布式电源故障后，实现对故障的精确定位和类型辨识。

2、本发明的技术方案如下：

3、一种微电网故障定位和诊断方法，其特征在于，包括以下步骤：

4、步骤1：搭建微电网系统模型，包括至少一个分布式电源；

5、步骤2：在不同运行工况下，分别对分布式电源带不同故障运行的微电网系统状态进行仿真；

6、步骤3：分别采集故障发生两周波内各预设节点的三相电流波形，构成微电网运行状态样本集；

7、步骤4：搭建基于深度学习算法的微电网分布式电源故障诊断模型；

8、步骤5：通过步骤3获得的对微电网分布式电源故障诊断模型进行训练；

9、步骤6：将待测样本输入训练完善的微电网分布式电源故障诊断模型，根据输出结果实现故障定位和诊断。

10、进一步的，所述微电网系统模型通过断路器与大电网连接，所述微电网系统模型中的分布式电源包括柴油发电机、fast风力发电机、光伏阵列以及储能电池，并在微电网系统模型中配置若干节点，在节点处设置电流量测装置。

11、进一步的，在步骤2中，分布式电源的故障包括：光伏阵列的短路、开路、异常老化故障，fast风力发电机的风轮叶片、齿轮箱、发电机器件故障，分别调整相应故障参数，对所搭建微电网系统模型的运行状态进行仿真。

12、进一步的，将步骤3中获得的微电网运行状态样本集分为训练集和测试集，在步骤5中，将训练集中的样本用于对微电网分布式电源故障诊断模型进行训练，将测试集中的样本用于对微电网分布式电源故障诊断模型进行测试。

13、进一步的，步骤4中，以卷积神经网络为算法基础，搭建包含输入层、卷积层、池化层、全连接层和输出层的卷积神经网络模型作为微电网分布式电源故障诊断模型，用于微电网分布式电源故障的定位和辨识。

14、进一步的，根据所搭建的微电网分布式电源故障诊断模型，将训练集中的波形作为故障诊断模型的输入，相应故障类型作为输出，对所搭建的微电网分布式电源故障诊断模型进行训练。

15、进一步的，步骤6中，故障诊断模型训练完善后，将测试集中的波形作为故障诊断模型的输入，由输出结果便可得知故障所发生的位置及其具体类型，实现对微电网分布式电源故障的定位和诊断。

16、综上所述，本发明的有益效果有：

17、1．本发明可在微电网系统发生分布式电源故障后，实现对故障的精确定位和类型辨识；

18、2．深度学习无需人为构造和提取数据特征，能够从图像或数据集当中对特征进行学习、分析和提取，更能够满足故障诊断的智能化需求，保障微电网系统的安全稳定运行。

技术特征：

1.一种微电网故障定位和诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的微电网故障定位和诊断方法，其特征在于，所述微电网系统模型通过断路器与大电网连接，所述微电网系统模型中的分布式电源包括柴油发电机、fast风力发电机、光伏阵列以及储能电池，并在微电网系统模型中配置若干节点，在节点处设置电流量测装置。

3.根据权利要求1所述的微电网故障定位和诊断方法，其特征在于，在步骤2中，分布式电源的故障包括：光伏阵列的短路、开路、异常老化故障，fast风力发电机的风轮叶片、齿轮箱、发电机器件故障，分别调整相应故障参数，对所搭建微电网系统模型的运行状态进行仿真。

4.根据权利要求1所述的微电网故障定位和诊断方法，其特征在于，将步骤3中获得的微电网运行状态样本集分为训练集和测试集，在步骤5中，将训练集中的样本用于对微电网分布式电源故障诊断模型进行训练，将测试集中的样本用于对微电网分布式电源故障诊断模型进行测试。

5.根据权利要求4所述的微电网故障定位和诊断方法，其特征在于，步骤4中，以卷积神经网络为算法基础，搭建包含输入层、卷积层、池化层、全连接层和输出层的卷积神经网络模型作为微电网分布式电源故障诊断模型，用于微电网分布式电源故障的定位和辨识。

6.根据权利要求5所述的微电网故障定位和诊断方法，其特征在于，根据所搭建的微电网分布式电源故障诊断模型，将训练集中的波形作为故障诊断模型的输入，相应故障类型作为输出，对所搭建的微电网分布式电源故障诊断模型进行训练。

7.根据权利要求6所述的微电网故障定位和诊断方法，其特征在于，步骤6中，故障诊断模型训练完善后，将测试集中的波形作为故障诊断模型的输入，由输出结果便可得知故障所发生的位置及其具体类型，实现对微电网分布式电源故障的定位和诊断。

技术总结
本发明公开了一种微电网故障定位和诊断方法，包括以下步骤：步骤1：搭建微电网系统模型，包括至少一个分布式电源；步骤2：在不同运行工况下，分别对分布式电源带不同故障运行的微电网系统状态进行仿真；步骤3：分别采集故障发生两周波内各预设节点的三相电流波形，构成微电网运行状态样本集；步骤4：搭建基于深度学习算法的微电网分布式电源故障诊断模型；步骤5：通过步骤3获得的对微电网分布式电源故障诊断模型进行训练；步骤6：将待测样本输入训练完善的微电网分布式电源故障诊断模型，根据输出结果实现故障定位和诊断。本发明优点是可以在微电网中发生分布式电源故障后，实现对故障的精确定位和类型辨识。

技术研发人员：邹明翰,缪芸,许自强,许洪华,朱正谊,徐荆州,施萱轩
受保护的技术使用者：国网江苏省电力有限公司南京供电分公司
技术研发日：
技术公布日：2024/1/12